Kajian Algoritma Peningkatan Kontras Citra Dengan Fast Hue Dan Range Preserving Histogram Equalization Specification
Notice bibliographique
Résumé
Faktor pencahayaan yang kurang saat suatu citra diakuisisi membuat citra menjadi gelap. Untuk memperbaiki tingkat kecerahan kontras citra, beberapa metode telah dilakukan seperti Fast Hue and Range Preserving Histogram Equalization Specification yang meliputi Algoritma Naik and Murthy, algoritma Optimal Range-Preserving Enhancement, algoritma Multiplicative Color Enhancement dan algoritma Additive Color Enhancement. Pada tahap awal dilakukan proses perataan histogram (Histogram Equalization (HE)). Namun dari beberapa referensi belum dapat ditentukan algoritma yang lebih baik dalam proses peningkatan kontras tersebut. Skenario pengujian dilakukan dengan menurunkan nilai lightness dari suatu citra, memproses citra gelap dengan algoritma yang dibahas, dan mengukur perbedaan citra hasil algoritma dengan citra asli menggunakan Structural Similarity Index (SSIM). ??? Hasil pengujian menunjukkan bahwa ??? nilai SSIM tertinggi didapatkan dengan menggunakan algoritma Optimal Range-Preserving Enhancement dan algoritma Multiplicative Color Enhancement. Pada algoritma Optimal Range-Preserving Algorithm, nilai SSIM tertinggi diperoleh dengan menggunakan nilai Lamda (???») di atas 0.6.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».